单细胞交响乐
  • 前言:我与《单细胞交响乐》的缘分
  • 1 准备篇:背景知识
    • 1.1 数据结构
    • 1.2 总览 | 从实验到分析
  • 2 积累篇:文献阅读
    • 2.1.1 综述 | 2019-单细胞转录组分析最佳思路
    • 2.1.2 综述 | 2018-单细胞捕获平台
    • 2.1.3 综述 | 2017-scRNA中的细胞聚类分群
    • 2.1.4 综述 | scRNA已经开发出超过1000款工具了,你用过几种?
    • 2.1.5 综述 | 2021-单细胞测序的微流控技术应用
    • 2.2.1 研究 | 2018-单细胞转录组探索癌症免疫治疗获得性抗性机理
    • 2.2.2 研究 | 2018-人类结直肠癌单细胞多组学分析
    • 2.2.3 研究 | 2020-单细胞分析揭示葡萄膜黑色素瘤新的进化复杂性
    • 2.2.4 研究 | 2020-COVID-19病人支气管免疫细胞单细胞测序分析
    • 2.2.5 研究 | 2020-原汁原味读--单细胞肿瘤免疫图谱
    • 2.2.6 研究 | 2021-多发性骨髓瘤发展过程中肿瘤和免疫细胞的共同进化
    • 2.2.7 研究 | 2021-多个组织的成纤维细胞图谱
    • 2.2.8 研究 | 2021-多组学分析肺结核队列的记忆T细胞状态
    • 2.2.9 研究 | 2021-CancerSCEM: 人类癌症单细胞表达图谱数据库
    • 2.2.10 研究| 2021-单细胞转录组分析COVID-19重症患者肺泡巨噬细胞亚型
    • 2.2.11 研究 |2021-单细胞转录组揭示肺腺癌特有的肿瘤微环境
    • 2.2.12 研究 | 2021-单细胞转录组揭示乳头状甲状腺癌起始与发展
    • 2.2.13 研究 | 2021-解析食管鳞癌化疗病人的单细胞转录组
    • 2.2.14 研究 | 2021-单细胞水平看骨髓瘤的细胞状态和基因调控
    • 2.3.1 算法|2020-BatchBench比较scRNA批次矫正方法
    • 2.3.2 算法 | 2021-scPhere——用地球仪来展示降维结果
    • 2.3.3 算法 | 2021-单细胞差异分析方法评测
    • 2.3.4 算法 | 2021-细胞分群新方法——CNA(co-varying neighborhood analysis)
    • 2.3.5 工具 | 2018-iSEE:单细胞数据可视化辅助网页工具
    • 2.3.6 工具 | 2021-MACA: 一款自动注释细胞类型的工具
    • 2.3.7 工具 | 2021-一个很有想法的工具——Ikarus,想要在单细胞水平直接鉴定肿瘤细胞
  • 3 流程篇:分析框架
    • 3.1 质控
    • 3.2 归一化
    • 3.3 挑选表达量高变化基因
    • 3.4 降维
    • 3.5 聚类
    • 3.6 Marker/标记基因检测
    • 3.7 细胞类型注释
    • 3.8 批次效应处理
    • 3.9 多样本间差异分析
    • 3.10 检测Doublet
    • 3.11 细胞周期推断
    • 3.12 细胞轨迹推断
    • 3.13 与蛋白丰度信息结合
    • 3.14 处理大型数据
    • 3.15 不同R包数据的相互转换
  • 4 实战篇:活学活用
    • 4.1 实战一 | Smart-seq2 | 小鼠骨髓
    • 4.2 实战二 | STRT-Seq | 小鼠大脑
    • 4.3 实战三 | 10X | 未过滤的PBMC
    • 4.4 实战四 | 10X | 过滤后的PBMC
    • 4.5 实战五 | CEL-seq2 | 人胰腺细胞
    • 4.6 实战六 | CEL-seq | 人胰腺细胞
    • 4.7 实战七 | SMARTer | 人胰腺细胞
    • 4.8 实战八 | Smart-seq2 | 人胰腺细胞
    • 4.9 实战九 | 不同技术数据整合 | 人胰腺细胞
    • 4.10 实战十 | CEL-seq | 小鼠造血干细胞
    • 4.11 实战十一 | Smart-seq2 | 小鼠造血干细胞
    • 4.12 实战十二 | 10X | 小鼠嵌合体胚胎
    • 4.13 实战十三 | 10X | 小鼠乳腺上皮细胞
    • 4.14 | 实战十四 | 10X | HCA计划的38万骨髓细胞
  • 5 补充篇:开拓思路
    • 5.1 10X Genomics概述
      • 5.1.1 10X Genomics 问题集锦
    • 5.2 CellRanger篇
      • 5.2.1 CellRanger实战(一)数据下载
      • 5.2.2 CellRanger实战(二) 使用前注意事项
      • 5.2.3 CellRanger实战(三) 使用初探
      • 5.2.4 CellRanger实战(四)流程概览
      • 5.2.5 CellRanger实战(五) 理解count输出的结果
    • 5.3 Seurat的使用
      • 5.3.1 Seurat V3 | 实战之2700 PBMCs分析
      • 5.3.2 Seurat V3 | 如何改造Seurat包的DoHeatmap函数?
      • 5.3.3 scRNA的3大R包对比
      • 5.3.4 Seurat两种数据比较:integrated vs RNA assay
      • 5.3.5 seurat 的几种findmaker比较
    • 5.4 Monocle的使用
      • 5.4.1 Monocle V3实战
    • 5.5 多个数据集的整合
      • 5.5.1 使用Seurat的merge功能进行整合
      • 5.5.2 如何使用sctransform去除批次效应
由 GitBook 提供支持
在本页
  • 速览
  • 摘要
  • 方法
  • 先用CITE-seq测了>500,000个T细胞
  • 得到记忆T细胞的31种不同状态
  • 记忆T细胞的状态因人口特征和环境而异
  • 之后发现一个感兴趣的C-12状态

这有帮助吗?

  1. 2 积累篇:文献阅读

2.2.8 研究 | 2021-多组学分析肺结核队列的记忆T细胞状态

刘小泽写于2021.5.25

上一页2.2.7 研究 | 2021-多个组织的成纤维细胞图谱下一页2.2.9 研究 | 2021-CancerSCEM: 人类癌症单细胞表达图谱数据库

最后更新于3年前

这有帮助吗?

速览

  • 题目:Multimodally profiling memory T cells from a tuberculosis cohort identifies cell state associations with demographics, environment and disease

  • 作者:哈佛医学院 Soumya Raychaudhuri 团队

    首先感觉他们实验室主页做的很不错:

  • 链接:

  • 发表在:Nature Immunology (2021-05-24)

  • 数据是公开的: ,采用CITE-seq

    Platforms    GPL11154    Illumina HiSeq 2000 (Homo sapiens)
    Samples      GSM4810298    Memory_T_cell_CITE-seq
    
    GSE158769_exprs_norm.tsv.gz    3.0 Gb    (ftp)(http)    TSV
    GSE158769_exprs_raw.tsv.gz    747.0 Mb    (ftp)(http)    TSV
    GSE158769_meta_data.txt.gz    19.8 Mb    (ftp)(http)    TXT

    Genotype data:

  • 分析代码:

  • 还发开了一个网页:

摘要

  • 分析了来自秘鲁的259个肺结核(tuberculosis , TB)病人的500,089个记忆T细胞,得到31种细胞状态

  • 在排除年龄、性别、季节、遗传等因素影响后,发现了一种多能型type 17 helper T (TH17) 细胞状态,在结核杆菌发展成肺结核病的过程中丰度和功能都有所下降

方法

数据准备

  • PBMC sample preparation

  • Flow cytometry of total PBMCs

  • CITE-seq of isolated memory T cells

  • Bulk RNA sequencing

  • Genotyping and genetic data processing

数据分析

  • scRNA比对+定量

  • scRNA数据拆分

  • scRNA数据质控

  • 降维

  • 聚类+注释

  • bulk RNA-seq 比对+定量

  • 利用MASC(modeling of associations of single cells )评价不同细胞状态与疾病的关系

先用CITE-seq测了>500,000个T细胞

  • 在秘鲁首都利马进行了一次大型的流行病学调查(n= 18,544),从其中招募了264个人,采样了外周血单核细胞进行CITE-seq测定,同时还加入了基因表型数据和蛋白数据

  • 图b是进行了6次QC,每一次过滤掉一些细胞,最后得到了500K

  • 大部分样本的细胞数量在2k左右

得到记忆T细胞的31种不同状态

利用canonical correlation analysis (CCA) 进行降维,选择top20 canonical variates (CVs)进行批次校正和聚类,根据基因和蛋白marker得到31个细胞状态

  • 23/31 were CD4+; five were CD8+; one (C-24) was a mixture; Two clusters (C-30 and C-31) were CD4−CD8−

  • C-20: contained a subset of CD4−CD8− and CD8+ cells expressing innate-like T cell markers, including ZBTB16 and CD161 and CD26 surface proteins

  • one central memory cluster (C-25) and distinct GZMK+ (C-28) and GZMB+ (C-29) effector subsets, reflecting different cytotoxicities

  • high expression of HLA-DR and CD38 surface protein and proliferation-associated MKI67 (C-15 and C-27) represent chronically activated cells

  • TH17 cells (C-12, CCR6+ and RORC)

  • type 1 helper T cells (TH1; C-17, CXCR3+ and IFNG and TBX21)

  • heterogeneous continuum of intermediate TH1/TH17 states (C-13, C-16 and C-19) with varying degrees of CXCR3, CCR6, CCR5 and CD161 surface protein expression and RORC and TBX21 expression

  • CD161+ subset of type 2 helper T (TH2) cells (C-14), described as pathogenic, with higher expression of allergy-associated HPGDS and IL17RB

  • a subset of FOXP3+ Treg cells (C-5) expressing higher CCR6 surface protein and CTLA4 and RORC than other Treg cells

记忆T细胞的状态因人口特征和环境而异

发现: 年龄因素的影响最大;性别因素与T细胞状态也高度相关; type 2 helper T (TH2) 细胞状态在冬天(季节因素)搜集的样本中最为丰富

之后发现一个感兴趣的C-12状态

探索每个细胞状态和肺结核病情进展的关系,同时校正其他可能存在影响的因素(年龄、性别、季节、遗传以及其他技术因素),发现:

病人在肺结核发展时期,C-12显著降低了20%,并且在年龄因素和男性因素下也会下降,而季节因素(冬季)会上升

又找到了C-12 surface markers:CD4+CD26+CD161+CCR6+ ,这些marker已经被证明了以下功能:

  • IL-17-producing TH17 state

  • CD26 is a co-stimulatory molecule that promotes cytotoxicity

  • CD161 is associated with innate-like function

  • CCR6 is a homing marker that directs migration to inflamed sites

那么C-12的下降是疾病的原因还是结果呢?

利用外部数据进行验证,发现这种变化可能早于疾病发展

  • predicted C-12 abundance was 9% lower in cases before progression compared to latent controls

https://immunogenomics.hms.harvard.edu/lab
https://www.nature.com/articles/s41590-021-00933-1
GSE158769
phs002025.v1.p1
https://github.com/immunogenomics/TB_Tcell_CITEseq
https://immunogenomics.io/tbru/